提升数据有限条件下联邦学习聚合策略的收敛性
机器学习
2025-01-28 v1
摘要
深度学习技术的发展是医学数据应用的前沿领域，尤其是在图像诊断方面。此类数据具有隐私和法律限制，往往阻止其从中心服务器处理。然而，在该领域，不同研究中心之间的合作至关重要，以便使用可用最大数量和多样性的数据训练出尽可能稳健的模型。在此意义上，应用隐私感知分布式架构，如联邦学习，变得至关重要。在这种架构下，服务器聚合由数据所有者在各自数据上训练的不同本地模型，以构建全局模型。这一点至关重要，因此必须分析根据用例、客户端分布、模型特征等因素进行的不同聚合方式。在本文中，我们提出了一种新颖的聚合策略，并将其应用于脑磁共振图像分类的用例。在该用例中，所提出的聚合函数相对于经典实施和应用的不同聚合策略，提高了联邦学习过程中收敛性。
引用
@article{arxiv.2501.15949,
title = {Enhancing the Convergence of Federated Learning Aggregation Strategies with Limited Data},
author = {Judith Sáinz-Pardo Díaz and Álvaro López García},
journal= {arXiv preprint arXiv:2501.15949},
year = {2025}
}